遠景能源以全生命周期為視角，開發(fā)了如下資產(chǎn)后評估功能模塊：設計后評估、運行后評估、產(chǎn)品后評估、技改后評估及風場對標后評估五大體系。
　　以Wind OS™能源互聯(lián)網(wǎng)平臺為依托，完成不同區(qū)域、不同設備制造商、不同運維團隊等不同類型風電場的能量可利用率橫向對比，為宏觀管理、科學決策提供依據(jù)。通過資產(chǎn)評估，找到電量損失原因，通過遠景一體化智慧風場解決方案，針對絕大多數(shù)風場，可以獲得5%-10%的發(fā)電量提升。　　實現(xiàn)對風場尾流的有效控制
　　尾流效應是影響風電場發(fā)電量的重要因素之一，其造成的真實能量損失高達10%以上，部分海上風場真實尾流損失甚至接近20%。因此在進行風場機位排布時，在主風向上會盡可能增加風機間的距離，以減小尾流效應影響。但在主風向以外的其他風向上，仍然可能由于尾流效應產(chǎn)生較大的能量損失。因此，風機間的協(xié)同控制在降低尾流損失方面就顯得尤為重要。
　　基于大數(shù)據(jù)技術，有效整合風場實時流場模型數(shù)據(jù)，風電場流場預測數(shù)據(jù)，風機與測風塔量測數(shù)據(jù)，真正建立工業(yè)級的風電場協(xié)同控制能力，實現(xiàn)對風電場尾流的有效控制。
　　風場中每臺風機運行情況的變化會引起自身尾流的變化，進而影響風電場實時流場數(shù)據(jù)，最終體現(xiàn)在其他風機所能捕獲的風能及全風場發(fā)電量的變化上。基于風電場運行產(chǎn)生的大數(shù)據(jù)，包括風場實時流場模型數(shù)據(jù)，風電場流場預測數(shù)據(jù)，風機與測風塔量測數(shù)據(jù)等，遠景通過有效地整合，并結合風機模型，最終建立起風場級的數(shù)學模型。
　　結合風場的流場模型，便可以利用非線性尋優(yōu)算法對風場中各風機發(fā)電情況進行最優(yōu)規(guī)劃，綜合考慮風況實時的動態(tài)變化和風機運行的物理限制(如風機輸出功率對風速和風向變化的響應時間等)，實現(xiàn)風場級協(xié)同控制以減小尾流影響帶來的損失。同時，遠景的智能協(xié)調算法將各風機的運行狀態(tài)閉環(huán)反饋到風場流場模型中，實時在線進行系統(tǒng)學習并調整模型，消除外界環(huán)境的隨機干擾因素，從而進一步提高風場模型的精度，取得最優(yōu)全場發(fā)電量。
　　通過對零部件故障信息的挖掘，優(yōu)化產(chǎn)品設計和零部件選型，實現(xiàn)預防性維護
　　利用大數(shù)據(jù)技術，可以通過數(shù)理統(tǒng)計、模式識別、神經(jīng)網(wǎng)絡、機器學習、人工智能等深度數(shù)據(jù)挖掘算法，在海量數(shù)據(jù)中，挖掘出零部件故障信息，追溯其在設計、制造、裝配、運輸、安裝各個環(huán)節(jié)的潛在缺陷，快速找尋引起故障或失效的原因。一方面從產(chǎn)品全生命周期角度考慮，可以閉環(huán)形成對設備的預防性維護和預測性維護策略，同時可以進一步閉環(huán)到產(chǎn)品設計與零部件選型;另一方面，基于零部件的大量數(shù)據(jù)失效積累，可以理性推進預防性維護，真正提升現(xiàn)場維護工作的計劃性。